(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210521584.1 (22)申请日 2022.05.13 (71)申请人 四川大学 地址 610065 四川省成 都市一环路南 一段 24号 (72)发明人 刘嘉勇　何沛松　罗杰　 (74)专利代理 机构 成都盈信专利代理事务所 (普通合伙) 51245 专利代理师 崔建中 (51)Int.Cl. G06T 5/00(2006.01) G06K 9/62(2022.01) G06V 10/26(2022.01) G06V 10/30(2022.01) G06V 10/762(2022.01) (54)发明名称 基于内容自适应对抗扰动的空域隐写载体 图像增强方法 (57)摘要 本发明公开了一种基于内容自适应对抗扰 动的空域隐写载体图像增强方法， 包括步骤： 计 算载体图像的多粒度图像纹理特征； 对载体图像 按照像素值进行聚类， 按照语义类别标签进行图 像分割； 计算载体图像的加权掩模； 计算内容自 适应对抗扰动； 将内容自适应对抗扰动添加到载 体图像中， 得到增强载体图像， 再加入真实秘密 信息进行隐写得到最终的增强载密图像。 本发明 根据载体图像特征向图像纹理丰富区域添加扰 动噪声， 提升了扰动噪声的隐蔽性。 因此， 本发明 不仅可以在少量扰动噪声条件下成功攻击基于 深度学习的隐写分析网络， 而且 可以降低对抗扰 动噪声被 检测的风险。 权利要求书2页 说明书7页 附图2页 CN 114820380 A 2022.07.29 CN 114820380 A 1.基于内容自适应对抗扰动的空域隐写载体图像增强方法， 其特 征在于， 包括 步骤1： 计算载体图像c的多粒度图像纹 理特征； 1.1计算载体图像c每个像 素点的细粒度纹理描 述值Lfine(·,·)， 得到细粒度纹理描述 特征矩阵Lfine； 其中， 像素点(io,jo)的细粒度纹 理描述值Lfine(·,·)为 io和jo分别表示像素点(io,jo)的横向和纵向坐标； r表示像素点(io,jo)的8邻域像素点 的序号， 任意选择其中一个像素点设为起始点， 按顺时针或者逆时针方向编 号； xo和xr分别 表示像素点(io,jo)和邻域像素点的像素值； s( ·)表示符号 函数， 1.2计算载体图像c每个像素点的粗粒度纹理描述值Lcoarse(·,·)， 得到粗粒度纹理描 述特征矩阵Lcoarse； 其中， 像素点(io,jo)的粗粒度纹 理描述值Lcoarse(·,·)为 count为8邻域像素点经符号函数s( ·)取值后得到的比特串所具有的0/1或1/0跳变次 数， thre为阈值； 1.3计算载体图像c的多粒度图像纹 理特征矩阵 L＝Lfine+Lcoarse； 步骤2： 对载体图像c按照像素值进行k ‑means聚类， 得到每个像素值的语义类别标签； 按照语义类别标签进行分割， 得到分类后的语义类别标签M矩阵； 步骤3： 计算载体图像c的加权掩 模； 3.1计算每一个图像块的纹理性； 所述图像块为具有相同语义类别标签值M(i,j)的像 素点(i,j)的集 合； 其中， 第d个图像块的纹 理性 Rd表示第d个图像块的像素值集合， Nd表示第d个图像块的像素值数量， Li,j表示载体图 像c像素点(i,j)的纹 理值， 即载体图像c的多粒度图像纹 理特征矩阵L中第i行第j列的值； 3.2计算载体图像c的加权掩 模矩阵 其中， 表示载体图像c加权掩模后像素点(i,j)的纹理值， 即载体图像c的加权掩模矩阵 中第i行第j列的值； th为纹 理性的阈值； 步骤4： 计算内容自适应对抗扰动； 4.1对载体图像c进行隐写， 得到载密图像s； 将载体图像c和载密图像s输入到隐写分析权　利　要　求　书 1/2 页 2 CN 114820380 A 2网络φc,s( θ； t)进行训练， 得到隐写分析网络模型； 4.2初始化对抗扰动δadv， 将对抗扰动δadv添加到载体图像c中， 得到增强载体图像cadv； 加入随机 秘密信息对cadv进行隐写得到当前增强载密图像sadv； 4.3在隐写分析网络模型后向传播过程中， 求取当前增强载密图像sadv的梯度值， 更新 对抗扰动， 即 其中， ||δadv||2是当前对抗扰动的2 ‑范数， k是加权系数， LD(fc,s( θ； t))是隐写分析网络 的交叉熵损失函数； 4.4使用加权掩模矩阵 对更新后的对抗扰动加权， 得到加权后的对抗扰动， 作为当前 对抗扰动： 4.5在载体图像c中添加当前对抗扰动 δadv得到增强载体图像cadv， 再加入随机秘密信息 对cadv进行隐写得到当前增强载密图像sadv； 使用隐写分析网络 判定当前增强载密 图像sadv： 如果隐写分析网络 将当前增强载密图像sadv判定为载体图像c， 则令当前 对抗扰动 δadv为内容自适应对抗扰动， 否则返回步骤4.3； 步骤5： 将内容自适应对抗扰动 δadv添加到载体图像c中， 得到增强载体图像cadv， 再加入 真实秘密信息对cadv进行隐写得到最终的增强载密图像sadv。 2.如权利要求1所述的基于内容自适应对抗扰动的空域隐写载体图像增强方法， 其特 征在于， 所述隐写采用HUGO、 WOW、 UNIWARD或HILL算 法； 所述隐写分析网络 为XuNet、 YeNet、 SRNet或ZhuNet。权　利　要　求　书 2/2 页 3 CN 114820380 A 3